Bliv en del af KYNETIC – se vores ledige stillinger her

Marketing Science

Tag bedre beslutninger på baggrund af objektiv data

Med en kraftig udvikling i anvendelsen af web- og big data, er behovet for at kunne analysere, reagere og eksekvere på data blevet dette årtis vigtigste konkurrenceparametre. Her er Marketing Science et stærkt værktøj at benytte.

Benyt data til at forstå og optimere samspillet af dine kanaler til maksimal performance
Find de ikke-indlysende mønstre i kunderejsen og reager tidligere på dem
Ingen siloer, fuld transparens, højere relevans, mindre støj og større afkast
Hvad arbejder vi med

Marketing på baggrund af data

Udviklingen i brugervenlige analyseværktøjer er gennem de seneste år vokset betydeligt. Desværre kan de i mange tilfælde ikke give den reelle indsigt som virksomheder søger eller resultaterne er direkte vildledende eller decideret forkerte. I KYNETIC anvender vi derfor marketing science for at give bedre, mere præcise og retvisende indsigter.

I KYNETIC har vi stærke kompetencer indenfor både marketing science og digital marketing. Det betyder vi kan aggregere værdien af begge forretningsområder gennem et tæt, internt samarbejde undervejs i projekterne. Det giver optimal ROI, ROAS, samlet omsætning og et minimal spild af vigtige marketingkroner. 

 

Som kunde i KYNETIC får du adgang til vores kompetencer indenfor marketing science. I praksis åbner det op for, at dine kampagner og digitale marketingaktiviteter kan planlægges og eksekveres med fuld indsigt i forholdet mellem omkostninger og udbytte. Til at gøre dette benytter vi business intelligence, data science og vores ekspertise i data management. 

 

Eksempler på analyser og områder vi med marketing science kan hjælpe med:

  • Aggregering og visualisering af data i flere typer statistiske modeller
  • Klassificering og textmining, herunder Logit, Neural Networks, SVM, Random forrest etc.
  • Tidsserie og lineære forecasts, herunder ARIMA, HW, VAR og Least Squares Regressioner
  • Handlingsplaner på og med statistisk grundlag
  • Big Data modellering via. BigQuery, herunder Data-Warehousing

Eksempler på hvordan analyserne kan skabe værdi for din forretning:

 

  • Vækste indtjeningsevnen for dine marketing kanaler, med henblik på at skabe præcis og effektiv ressourceallokering
  • Udvælgelse af vigtigste dashboard metrikker baseret på tilhørsforhold til udvalgte KPI’er
  • En oversigt over dine mest værdifulde SoMe emner, med formålet at målrette fremtidig kontekst efter hvilke emner, der virker bedst
  • Klyngedannelser i din kundedata, der kan bruges til segmentering, og dermed skabe mere effektiv targeting
  • Sentiment analysis af kundefeedback på markedsniveau, med henblik på at finde huller/muligheder i markedet
  • Forecasting af fremtidige udfald, f.eks. Konverteringer gennem organisk trafik, omsætning eller “churn”
  • Klassificering/beregning af CLV og/eller “churn”, både i en kontraktuel eller transaktionel sammenhæng
Hvordan arbejder vi med

Marketing science koncepter

Business Intelligence, data science og data management har til fælles at de alle handler om, hvordan data håndteres. Koncepterne kan anvendes uafhængigt af hinanden, men fungerer bedst i sammenspil med hinanden.

Data management

Data management handler om at bygge bro mellem flere datakilder og dit data-warehouse, herunder at gøre det mere overskueligt at arbejde med data i din dagligdag.

 

Behovet for data management stiger typisk i takt med en virksomheds datagrundlag vokser og dertilhørende stigning i antal af datakilder.

 

Med dimensional modeling bliver data sorteret efter, hvilken forretningsområde de tilfører. Dette gennemfører vi i KYNETIC ved hjælp af fx SQL og PowerBI, hvor vores formål er at skabe klare, forståelige linjer i vores kunders data. 

Business Intelligence (BI)

Det overordnede mål med BI er at gøre det lettere at forstå og forholde sig til data igennem visualiseringer. BI er eksempelvis at bruge dashboards, og charts til at aggregere simpel data eller avancerede data-transformationer med henblik på træffe velovervejede rationelle beslutninger.

 

Samtidig dækker BI også over processerne der skal til, for at sikre brugere imod overflødig eller irrelevant data, i form af customized personificeret BI.

→ Data science

Videnskaben bag udarbejdelsen og anvendelsen af ML og statistiske modeller kaldes data science, og er en kombination af computer science og statistik.

 

Data science benyttes til at kalkulere eller forudsige udviklinger, eksempelvis churn-rates eller fremtidig cashflows. Læs mere om, hvordan vi arbejder med data science her

De tre ovenstående koncepter hænger i høj grad sammen i effektiv anvendelse af data. Data-management er den grundlæggende forudsætning for at de øvrige to fungerer optimalt, imens data science og BI handler om at analysere og anvende data til at skabe værdi for virksomheden.

 

I KYNETIC er vi full-stack eksperter i BI, data science og data-management. Vi assisterer vores kunder i alt fra korrekt opsætning af tracking, aggregering af data fra forskellige datakilder, til de efterfølgende dataanalyser, fra hvilke vi giver strategisk, forretningsvigtig rådgivning.

Forudsætninger for at arbejde med Marketing Science:

Der er meget forretningskritisk viden at indhente ved at benytte marketing science. Men for at lykkes med disciplinen, forudsætter det at nogle kriterier er opfyldt. Disse kan deles op i tre overordnede faktorer. 

 

De tre faktorer for størst succes med marketing science: 

  • Tilstrækkelige mængder af data og datakilder, hvilket både dækker over volumen og variation af målte variabler. 

 

  • Tilstrækkeligt data-grundlag på baggrund af tid. Det er ét, at have meget data. Noget andet er at have data, der strækker sig over en længere periode – helst flere år.

  • Tillid og tålmodighed til processen. De forretningskritiske indsigter bliver opnået gennem længere tids anvendelse af datamodeller.
Indsigt i vores

Marketing science framework

Vores tilgang til Marketing Science sker på baggrund af vores eget framework. Processen er iterativ, hvor vi løbende forbedrer vores arbejdsgange, i tæt samarbejde med jer. Vi gennemgår her i hovedtræk, hvordan vores framework forløber.

Vi vil sjældent lægge en fast, forkromet plan for arbejdet med marketing science. Det giver ikke maksimal værdi for jer eller er den optimale arbejdsproces. 

 

I stedet er vores framework en iterativ proces, med mange feedback loops. Det betyder eksempelvis, at opdager vi at vigtige indsigter skal findes i andre variabler, end først antaget, at vi kan skifte retning i analysen. Hvert step i vores framework, er derfor steps, vi løbende bevæger os frem og tilbage i.

BI_framework

Identify: Planlægning og problemidentificering

Første step i vores arbejde med marketing science foregår i tæt dialog med jer. Det er her vi lægger en klar, defineret plan for, 1. Hvad vi ønsker at undersøge. 2. Hvilken type svar, vi leder efter 3. Hvilken data vi kan og skal have adgang til.

 

Eksempel: Vi ønsker at undersøge effekten af forskellige SoMe tekster, skrevet om forskellige emner, på baggrund af konverteringer/interaktioner. Vi beslutter om undersøgelsen skal vedrøre alle typer af tekster, en gruppe af tekster, og/eller konkurrenters tekster. 

 

Extract & Staging: Query, staging og cleansing af data 

Hovedparten af arbejdet med marketing science ligger i bearbejdningen af data. Det er her processen med at finde data, at rense den i et staging area og derefter enten loade det ind i et data warehouse eller tage det direkte i brug til dataanalyse.

 

Vi aftaler i fællesskab hvilke variable vi ønsker at inddrage, og finder frem til om disse skal hentes fra forskellige datakilder, og dermed også skal gøres konforme Herefterloader vi data ind i enten et data-warehouse, eller direkte ind i programmerings-softwares som Python eller R.

 

Analyse: Data modellering

Du kan ikke slå et søm i med en skruetrækker. På samme måde er data-analyse i praksis en induktiv proces, hvor valget af den rette model først kan findes, når problemet er defineret. Udover at problemet skal være defineret, er datagrundlaget vi har til rådighed også vigtigt at kende, før vi kan finde den bedste model til opgaven. 

 

Der er overordnet 2  tilgange til data modellering: 

  1. Den kan gennemføres manuelt med klassisk “trial & error” forsøg. 
  2. Der kan anvendes algoritmer eller “Tuning” til at finde optimerede modeller indenfor forskellige parametre. Bl.a. kan vi lade en algoritme vælge en model med højest mulig præcision, imens en anden kan finde en model med bedst generaliserbarhed, eller en tredje vælge den bedste kombination af begge.

I KYNETIC anvender vi Machine Learning da vi ønsker at skabe modeller, der kan forklare data med høj nøjagtighed, imens de samtidigt kan generaliseres, og dermed overføres til fremtidig data. Med dette får vi skabt modeller der kan spå fremtiden, fremfor kun at forklare mønstre i historisk data.  

Det anslås, at der dagligt på verdensplan genereres 2,5 millioner terabytes data. Det svarer til 125 tons data om dagen, når denne data placeres på fysiske servere og harddrives.

Analyse: Modellen tages i brug, og trænes/opdateres løbende

I dette step tager vi modellen i brug, og alt afhængig af problemet og datagrundlaget, opdaterer vi modellen løbende. Modeller med stor generaliserbarhed har ikke samme behov for at få tilført ny data, som modeller der er mere specifikke til det data de er trænet på.

 

Ved at bruge redskabet Big Query kan vi automatisere opdateringerne af modellerne, således at de fast opdateres i real-time, i takt med at mere data kommer ind. 

 

Insights: Udbytte og handling

Indsigterne fra vores modellering kan i dette step udvindes. Hvis vi eksempelvis har ville undersøge effekten af top/low funnel eksponeringer i Facebook annoncering, kan vi nu i vores model se, hvornår effekten af eksponeringerne aftager og dermed, hvornår vi skal justere i vores spend. 

 

En anden model vil eksempelvis kunne definere, hvilke parametre der er vigtige for at forudsige churm. En indsigt der i marketing- og salgsafdelingen kan omdannes til konkrete handlinger, der kan formindske sandsynligheden for churn.

Skal vi tage en uforpligtende snak?

Kasper Ebsen

CEO, Partner & Senior Consultant

Typisk over 50 slides med strategiske anbefalinger

Start med en analyse

Få en analyse af jeres digitale marketing indsats

Vi gør brug af vores gennemtestede frameworks, jeres data og viden fra vores arbejde vores kunder tværs af brancher.

Hvem er vi for

Vi er ikke et perfekt match for alle

Et perfekt match

Her matcher vores tilgange, teknologi-brug og fokus med jer

  • Ønsker at arbejde markedsledende med digital markedsføring
  • Er typisk en Ecommercer, B2B-virksomhed eller retailer
  • Er ambitiøs og investerer i jeres brand
  • Ønsker et grundigt setup til jeres digital marketing kanaler
  • Digital er eller skal være en forretningskritisk afsætningskanal
  • Ønsker et langvarigt og tæt samarbejde
  • Ønsker at arbejde med de dygtigste specialister i branchen
  • Ikke et godt match

    Typiske kendetegn på at vi ikke er et godt match

  • Vil have de billigste eller pakkeløsninger
  • Ønsker ikke at arbejde data-drevet
  • Ønsker en leverandør fremfor en samarbejdspartner
  • Ønsker ikke et fast kontinuerligt samarbejde
  • Investerer ikke i sit brand
  • Ser er ikke vigtigheden i grundigheden og detaljerne
  • Et urealistisk budget til jeres målsætninger